Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy

기술 요약: 물리 정보 기반 완화 시간 분포 추정 및 잠재 공간 상태 모니터링

문제 정의
전기화학 임피던스 분광법(EIS) 데이터로부터 완화 시간 분포(DRT)를 추정하는 것은 부적정(ill-posed) 역문제이다. 임피던스 $Z(j\omega)$와 DRT 함수 $g(\log \tau)$ 사이의 관계는 식 (1)에 의해 지배되는 적분 방정식으로 정의되며, 이는 측정 노이즈와 정규화 선택에 매우 민가하다. 등가 회로 모델(ECM)과 같은 전통적인 방법은 분수 차수 시스템(fractional-order systems)에 대해 정의하기 어려운 특정한 사전 가정을 필요로 한다. DRT는 모델 프리(model-free) 방식의 연속적인 완화 과정 표현을 제공하지만, 이를 추출하기 위해서는 정규화가 필수적이다. Deep Prior 네트워크와 같은 기존의 데이터 기반 접근 방식은 각 스펙트럼마다 별도의 모델을 학습시키므로, 일관되지 않은 암시적 정규화를 초래한다. 이는 실제 전기화학적 변화와 피팅 아티팩트(fitting artifacts)를 구분하는 것을 어렵게 만든다. 또한, 많은 잠재 공간 접근 방식은 DRT 변환을 별도의 전처리 단계나 블랙박스 특징 추출기로 취급하며, 물리 법칙을 학습 목적 함수에 직접 내장하는 데 실패한다.

방법론
저자들은 스펙트м별 튜닝 없이 원시 EIS 데이터(실수부 및 허수부 임피던스 성분)로부터 DRT를 직접 추정하는 물리 정보 기반 합성곱 신경망(CNN) 프레임워크를 제안한다.

• 아키텍처: 모델은 인코더-디코더 CNN 구조를 활용한다. 입력은 두 개의 채널로 취급된 임피던스 스펙트럼의 실수부와 허수부로 구성된다. 네트워크는 DRT 함수 $g(\log \tau)$를 출력한다.
• 물리 정보 제약: 입력 데이터를 직접 재구성하는 일반적인 오토인코더와 달리, 이 프레임워크는 지배적인 적분 관계(식 1)의 이산화된 형태를 학습 루프에 내장한다. 예측된 DRT는 수치 적분(사다리꼴 공식 사용)을 통해 임피던스 스펙트럼 $\hat{Z}$를 재구성한다. 손실 함수는 측정된 임피던스와 재구성된 임피던스 사이의 평균 제곱 오차(MSE)와 유도성 기여에 대한 $L_2$ 페널티로 구성된다. 이는 네트워크가 물리적으로 일관된 DRT를 학습하도록 강제한다.
• 보조 구성 요소: 별도의 브랜치는 직렬 저항 $R_s$를 예측하며, 학습 가능한 파라미터가 인덕턴스 $L$을 나타낸다.
• 아키텍처 최적ization: 전치 합성곱(transposed convolutions)에서 흔히 발생하는 체커보드 아티팩트를 방지하기 위해, 디코더는 업샘플링 레이어와 표준 합성곱을 사용한다. 그리드 서치를 통해 약 12,000개의 파라미터, 57의 수용 영역(receptive field), 160의 병목 크기를 갖는 최적의 아키텍처를 결정하였다. 이러한 균형은 과적합을 방지하면서 중첩된 완화 과정을 해결한다.
• 잠재 공간 분석: 학습 후, 인코더는 압축된 잠재 표현을 생성한다. 저자들은 개별 잠재 채널을 활성화하여 이를 특정 완화 시간 영역에 매핑하는 "디코더 프로브(decoder probe)" 분석을 수행하였으며, 이를 통해 잠재 공간이 시간 척도에 따라 계층적으로 조직되어 있음을 밝혀냈다.

주요 기여

1. 통합된 물리 정보 프레임드워크: 본 논문은 전체 데이터셋에 걸쳐 공유된 잠재 표현을 학습하고 일관된 정규화를 강제하는 단일 CNN 아키텍처를 도입한다. 이는 각 스펙트럼에 독립적인 모델을 피팅하는 방식과 대조되며, 이를 통해 추정된 DRT의 차이가 피팅 아티팩트가 아닌 실제 전기화학적 변화를 반영하도록 보장한다.
2. 튜닝 없는 직접 DRT 추정: 모델은 수동적인 정규화 파라미터 선택, 주파수 대역 분할, 또는 등가 회로 가정 없이 원시 EIS 데이터로부터 직접 DRT를 추정한다.
3. 해석 가능한 잠재 공간: 연구는 학습된 잠재 공간이 완화 시간 척도에 따라 자발적으로 조직됨을 보여준다. 디코더 프로브 분석은 특정 잠재 채널이 완화 시간 축의 뚜렷한 영역에 대응함을 확인시켜 주며, 이는 모니터링을 위한 물리적으로 해석 가능한 기초를 제공한다.
4. 다양한 조건에 대한 일반화: 본 프레임워크는 다양한 운전 체제, 열화 메커니즘, 캠페인 기간(60~3600시간)을 포함하는 고체 산화물 연료 전지(SOFC) 및 고체 산화물 전해 전지(SOEC)의 세 가지 독립적인 데이터셋을 통해 검증되었다. 수정되지 않은 동일한 아키텍처가 모든 데이터셋에 적용되었다.

결과

• 재구성 정확도: 모델은 세 가지 데이터셋 모두에서 범위 정규화된 재구성 오차를 1.1% 미만으로 달성하였으며, 이는 예측된 DRT가 기저의 전기화학적 제약을 충족함을 확인시켜 준다.
• 중첩된 프로세스의 해상도: 분석적으로 알려진 DRT를 가진 합성 ZARC 스펙트럼에 대해, 모델은 가우시안 노이즈($\sigma = 0.5 \, \Omega$)가 존재하는 상황에서도 시간 상수가 단 10배(one decade) 차이 나는 중첩된 완화 프로세스를 성공적으로 분리해 냈다.
• 상태 모니터링:
  • SOFC 스택 모니터링 캠페인에서, 잠재 공간의 유클리드 거리($D_{ref}(t)$)는 연료 결핍, 비상 정지, 전력 손실을 포함한 주요 운영 이벤트를 성공적으로 식별하였으며, 거리 지표의 피크는 알려진 이벤트와 일치하였다.
  • 운전 조건 연구에서, 잠재 활성화 변화는 원본 연구의 주파수별 쿨백-라이블러(KL) 발산 분석을 통해 식별된 전이와 일치하였으며, 확산 손실 및 공기 전극 변화를 감지하였다.
  • 다중 체제 열화 캠페인에서, 잠재 공간 궤적은 열화 단계(수증기 전해, 공전해, 가역 운전)의 진화를 포착하였으며, 단계별 DRT 진단에서 관찰된 경향과 일치하였다.
• 기존 방법과의 비교: 티코노프(Tikhonov) 정규화 및 스펙트럼별 신경망과 비교했을 때, 제안된 방법은 변동하는 정규화 강도로 인한 급격한 전이를 피하고 더 매끄럽고 연속적인 DRT의 시간적 진화를 생성하였다.

의의 및 주장
본 논문의 주요 의의는 단순히 재구성 정확도에 있는 것이 아니라, 단일 통합 모델로부터 물리적으로 일관되고 해석 가능한 잠재 표현이 출현한다는 점에 있다. 학습 과정에 물리적 순방향 모델을 내장함으로써, 본 프레임드워크는 대규모 EIS 진단의 병목 현상이었던 수동 전처리 파이프라인(정규화 튜닝, 회로 선택)을 제거한다.

저자들은 이 접근 방식이 근본적으로 다른 셀 유형, 운전 체제 및 열화 메커니즘 전반에 걸쳐 데이터셋별 재설계 없이 일반화될 수 있는 "경량화되고" "완전히 재현 가능한" 솔루션을 제공한다고 주장한다. 잠재 공간은 상태 모니터링을 위한 직접적인 부산물 역할을 하며, 불균형 최적 운송(UOT)이나 KL 발산과 같은 복잡한 DRT 비교 지표에 대한 계산 효율적인 대안을 제공하는 동시에 높은 신뢰도로 열화 및 운영 이상을 감지할 수 있는 능력을 유지한다.